Zwischen November 2022 und September 2025 fiel die Jobfindungsrate des am stärksten an den US-Arbeitsmarkt gebundenen Segments um 13 Prozentpunkte. Für das fluktuationsanfällige Segment, das üblicherweise zyklische Schocks abfedert, fiel sie um 2 (Federal Reserve Bank of Richmond, 2026). Diese Lücke hat in den von den Autorinnen ausgewerteten Daten kein Vorbild — nicht in der Großen Rezession, in keinem Aufschwung. Und die schärfsten Rückgänge seit 2023 liegen im Berufsquartil mit der höchsten KI-Exposition: Programmierer, Finanzanalysten, Ingenieure.
Wenn Ihre Personalplanung 2026 unterstellt, die Einstiegspipeline sei der fragile Teil und Ihre erfahrene Bank sei zum Marktpreis ersetzbar, steht der Plan auf einer umgekehrten Prämisse.
Der Einbruch am Berufseinstieg ist real. Dort liegt aber nicht der Schaden.
Economic Brief 26-26, veröffentlicht am 12. August von Katarína Borovičková und Claudia Macaluso, tut etwas, was die meisten Arbeitsmarktkommentare auslassen: Es disaggregiert. Der jüngste Anstieg der Arbeitslosigkeit, das hatten die Autorinnen bereits gezeigt, ist fast vollständig eine Abflussgeschichte — Menschen verlieren ihre Stellen nicht ungewöhnlich häufig, sie finden keine neuen. Offen blieb, welche Menschen.
Der erste Schnitt ist der vertraute. Die Current Population Survey unterscheidet zwischen Entlassenen, Kündigenden und Neueinsteigern. Das dominierende Narrativ der letzten zwei Jahre — KI schließe die unterste Sprosse der Karriereleiter — sagt voraus, dass Neueinsteiger am härtesten getroffen werden. Die Daten sagen etwas anderes. Die Jobfindungsraten der Neueinsteiger sind gesunken, doch die Autorinnen bezeichnen den Rückgang als moderat gegenüber den Einbrüchen bei Entlassenen und Kündigenden und klammern Neueinsteiger für die weitere Analyse ausdrücklich aus (Richmond Fed, 2026).
Das ist ein eng gefasster Befund und verdient eine präzise Formulierung: Er bedeutet nicht, dass Einstiegsrekrutierung gesund ist. Er bedeutet, dass Neueinsteiger nicht die Marge sind, die den aggregierten Einbruch erklärt. Die Bewegung liegt anderswo.
Bindung, nicht Betriebszugehörigkeit: Was der „primäre Typ" tatsächlich misst
Der zweite Schnitt ist der, der Ihre Lesart des eigenen Fluktuations-Dashboards verändern sollte.
Die Autorinnen wenden ein Latent-Type-Framework aus „The Dual U.S. Labor Market Uncovered" von Hie Joo Ahn, Bart Hobijn und Ayşegül Şahin an (NBER, 2023), das Beschäftigte nach ihrer Bindung an den Arbeitsmarkt sortiert statt nach beobachtbaren Qualifikationen:
- Primärer Typ — rund 55 % der Bevölkerung, fast durchgängig beschäftigt, stabil und langjährig
- Sekundärer Typ — rund 14 %, stark gebunden, aber häufiger arbeitslos
- Tertiärer Typ — rund 31 %, schwach gebunden, oft außerhalb des Erwerbspersonenpotenzials
In jedem gewöhnlichen Zyklus trägt der sekundäre Typ die Anpassung. Er stellt praktisch in jedem Jahr der Daten den Großteil der Arbeitslosigkeit, obwohl er den kleinsten Bevölkerungsanteil ausmacht. Rezessionen treffen den primären Typ in Ratenbegriffen härter — in der Großen Rezession fiel dessen Jobfindung von Hoch zu Tief um 19 Punkte gegenüber 10 beim sekundären Typ —, doch das Verhältnis blieb in erkennbaren Grenzen.
Die aktuelle Episode hat dieses Verhältnis gebrochen. Dreizehn Punkte gegen zwei. Die Menschen, die fast nie suchen müssen, sind jene, die jetzt nichts finden.
Eine Vorsicht bei der Übertragung: „Primärer Typ" ist eine statistische Klassifikation von Beschäftigungsstabilität, kein Synonym für Seniorität. Sie korreliert mit dem Profil Ihrer langjährigen Analysten, Ingenieure und Finanzmitarbeiter, misst diese aber nicht direkt. Behandeln Sie den Befund als starkes Richtungssignal über diese Schicht, nicht als Koeffizienten für einen konkreten Headcount.
Die KI-Expositionsdivergenz hat ein Anfangsdatum: 2023
Beim dritten Schnitt bekommt der Mechanismus einen Namen. Nach Michael Webbs Methode, Berufe danach zu bewerten, wie stark ihr Aufgabeninhalt mit den in KI-Patenten beschriebenen technischen Fähigkeiten überlappt (Webb, 2019), sortieren die Autorinnen Beschäftigte in KI-Expositionsquartile.
Historisch bewegten sich die Abflussraten dieser Quartile im Gleichlauf mit dem Konjunkturzyklus, getrennt nur durch kleine Niveauunterschiede. Seit 2023 divergieren sie, und Beschäftigte in den am stärksten exponierten Berufen zeigen die größten Rückgänge der Jobfindungsraten.
Die Zusammensetzung dieses obersten Quartils ist der Teil, bei dem Operations-Verantwortliche im Mittelstand innehalten sollten. Hoch exponierte Berufe sind unter anderem Programmierer, Finanzanalysten und Ingenieure. Am wenigsten exponiert: Bau, Gastronomie, Pflege. Das ist keine Geschichte über die Peripherie Ihres Organigramms. Es ist eine Geschichte über die Rollen, die Ihre Systeme, Ihren Abschluss und Ihr Produkt tragen.
Es gibt eine ältere Literatur, die diese Form vorwegnimmt. Acemoglus und Restrepos Arbeit zu Industrierobotern fand Verdrängung konzentriert in exponierten Berufen bei gleichzeitiger Umverteilung hin zu weniger exponierter Arbeit — ein Muster, in dem die aggregierte Beschäftigungszahl lesbar bleibt, während sich die Zusammensetzung darunter stark verschiebt (Acemoglu und Restrepo, 2020). Was die Richmond-Fed-Daten ergänzen: Die aktuelle Episode zeigt sich an der Abflussmarge, nicht an der Trennungsmarge. Unternehmen stoßen diese Beschäftigten nicht ungewöhnlich schnell ab. Sie nehmen sie nur nicht wieder auf, wenn sie einmal draußen sind.
Diese Unterscheidung ist operativ relevant, denn sie bedeutet: Das Signal erscheint weder in Ihrem Entlassungstracker noch in den Headcount-Meldungen Ihrer Branche. Es erscheint nur darin, wie lange eine kompetente, erfahrene Person zur Neuvermittlung braucht — eine Kennzahl, die fast kein Operations-Team misst und die Ihre eigenen Wiedereinstellungsbedingungen ebenso beschreibt wie die anderer.
Die Autorinnen sind vorsichtig bei der Kausalität, und das sollten wir auch sein. Das Muster ist konsistent damit, dass Automatisierung exponierte Berufe verdrängt, und konsistent mit Feldevidenz, wonach generative KI die Produktivität auf Aufgabenebene steigert — besonders bei weniger erfahrenen Beschäftigten — auf eine Weise, die die Einstellungszusammensetzung verändern könnte (Brynjolfsson, Li und Raymond, 2025). Ob der Rückgang spezifisch von KI getrieben wird oder von aggregierten Bedingungen, die auf dieselben Berufe wirken, ist der ausdrückliche Gegenstand des nächsten Papiers der Reihe. Die Korrelation ist dokumentiert; die Zerlegung steht aus.
Der Einwand: „Das sind Makrodaten. Meine Fluktuation ist in Ordnung."
Wahrscheinlich ist sie das. Genau das ist das Problem.
Hier wirken zwei Mechaniken, und beide kehren die Standardlesart um.
Flache Fluktuation in Ihrer Senior-Schicht ist eine schwache Außenoption, kein Engagement-Erfolg
Wenn Ihre erfahrenen, KI-exponierten Mitarbeitenden bleiben, bietet die Basisrate jetzt eine zweite Erklärung neben der schmeichelhaften: Sie können nicht gehen. Ein Rückgang der Jobfindungswahrscheinlichkeit um 13 Punkte bei stark gebundenen Beschäftigten heißt, dass der externe Markt, der Ihre Bindung sonst validiert, nicht räumt. Ihre Engagement-Umfrage wird nicht zwischen „verbunden" und „festsitzend" unterscheiden. Ihre Zahl zur bedauerten Fluktuation wird ausgezeichnet aussehen — bis die Jobfindungsraten sich erholen, dann nicht mehr.
Das ist kein Grund, Ihren Leuten zu misstrauen. Es ist ein Grund, Fluktuation nicht länger als Hauptbeleg für die Gesundheit der Senior-Schicht zu verwenden und stattdessen etwas mit unabhängigem Signal zu lesen: interne Mobilitätsbewerbungen, von Führungskräften gemeldetes Abwanderungsrisiko oder den Anteil externer Angebote, die Ihre Leute offenlegen.
Abfindung kostet heute mehr, als sie eingepreist ist
Das Standard-Restrukturierungsmodell behandelt eine Rolle als wiederbeschaffbar: jetzt kürzen, später zum Marktpreis wieder einstellen. Dieses Modell preist die Wiederbeschaffung anhand historischer Jobfindungsdynamiken — genau dessen, was laut diesem Papier gebrochen ist. Wer extern schwer wieder einzustellen ist, ist symmetrisch auch schwer wiederzubeschaffen: Dieselbe Friktion, die die Person festhält, hält auch Ihre Fähigkeit fest, die Kompetenz später wiederaufzubauen — denn der Pool, aus dem Sie rekrutieren würden, ist der Pool, der sich nicht bewegt.
Für eine KI-exponierte Senior-Rolle in einem Unternehmen mit 200 FTE lautet die Frage dieses Quartals nicht „können wir ohne diese Stelle arbeiten". Sie lautet: „Wenn wir diese Fähigkeit in achtzehn Monaten brauchen — wie sieht der Markt dann aus, und was haben wir gezahlt, um es herauszufinden." Interne Umverteilung — die Person auf einen angrenzenden Prozess, eine Data-Governance-Funktion oder eine KI-Aufsichtsrolle setzen — schlägt die Abfindung in dieser Rechnung weit häufiger, als die Tabelle nahelegt, weil in der Tabelle veraltete Wiederbeschaffungskosten stehen.
Drei Entscheidungen, die vor Quartalsende möglich sind
- Bepreisen Sie die Wiederbeschaffungskosten in jedem KI-exponierten Trennungsfall neu. Kein philosophischer Schwenk — eine Zahl. Wenn Ihr Modell für einen Senior-Analysten oder -Ingenieur eine Nachbesetzung zum Marktpreis in 60 Tagen unterstellt, fragen Sie, welche Evidenz diese Annahme trägt angesichts eines 13-Punkte-Rückgangs der Jobfindung für dieses Profil. Wo sie nicht trägt, zieht interne Umverteilung allein über die Kosten an der Trennung vorbei. Wenden Sie es auf die zwei, drei Rollen an, die Sie ohnehin zur Prüfung markiert haben; Sie brauchen keine Richtlinie, Sie brauchen eine korrigierte Zahl in den Fällen, die tatsächlich vor Ihnen liegen.
- Lesen Sie flache Senior-Fluktuation nicht länger als Retention-Leistung. Ergänzen Sie Ihre Quartalsreview um eine Frage: Welchen unabhängigen Beleg haben wir, dass diese Schicht freiwillig bleibt? Lautet die Antwort nur „sie sind nicht gegangen", haben Sie keinen Beleg, sondern eine Marktbedingung.
- Prüfen Sie vor der Headcount-Planung, welche Rollen im exponierten Quartil liegen, nicht danach. Webbs Klassifikation ist öffentlich und auf Berufsebene. Ihr Organigramm dagegen zu mappen kostet einen Nachmittag und zeigt, welche Teile Ihrer Personalplanung einem Wiedereinstellungsmarkt ausgesetzt sind, der nicht normal funktioniert.
Keine dieser Entscheidungen verlangt eine Position dazu, ob KI die Divergenz verursacht. Sie verlangen nur, zu akzeptieren, dass die Divergenz existiert und sich in der Schicht konzentriert, die die meisten Pläne als austauschbar behandeln.
Das Zeitfenster ist der Befund
Das Unbequeme an diesen Daten: Sie sind auf eine Weise vorübergehend, die Abwarten bestraft. Eine gedrückte Jobfindungsrate für KI-exponierte Beschäftigte verschafft Ihnen ungewöhnlich viel Haltekraft über genau die Menschen, die am schwersten zu ersetzen sind — und sie verschafft sie Ihnen gratis, unsichtbar, ohne jede Entscheidung Ihrerseits. Sie läuft auch ab. Wenn sich die Abflussraten normalisieren, löst sich die Bindung, die Sie sich verdient glaubten, wieder in einen Markt auf, und zwar am schnellsten in dem Quartil, dessen Verlust Sie am wenigsten verkraften.
Die Entscheidung dieses Quartals ist nicht, ob gekürzt wird. Sie lautet, ob die Rollen, die Sie als austauschbar behandeln, genau jene sind, die der Arbeitsmarkt still zu liefern aufgehört hat — und ob Sie das lieber jetzt herausfinden, zum Preis eines Nachmittags Mapping, oder in achtzehn Monaten, zum Preis einer Suche.
